“量化投資”是指投資者使用數理分析、計算機編程技術、金融工程建模等方式，通過對樣本數據進行集中比對處理，找到數據之間的關系，制定量化策略，并使用編寫的軟件程序來執行交易，從而獲得投資回報的方式。其核心優勢在于風險管理更精準，能夠提供超額收益。
而那些靠數學模型分析金融市場，并用復雜的數學公式和計算機在稍縱即逝的市場機會中挖掘利潤的投資家則被稱為寬客（Quant）。在如今的量化投資領域，已經有了無數模型系統軟件，在強大的Python語言和數據庫的支持下，量化投資早已不再是一個神秘的領域。
量化交易在各大投資銀行和對沖基金公司中成為交易系統的主流，而機器學習也在量化交易中扮演著舉足輕重的角色。
為了幫助大家對量化投資進行系統學習
邀請摩根斯坦利紐約總部量化女神
推出Python|機器學習與量化交易、定價實戰訓練課
本課程意在傳授金融數據處理分析、利率曲線擬合、微分方程數值解、量化交易投資策略建模以及機器學習在量化交易中的應用, 并以Python代碼實現程序化交易。學生可以熟練掌握Yahoo Finance connection, sklearn、QS Trader、statsmodel等Python packages (庫)。另外，本課程還會傳授量化部門面試求職技巧，幫助求職者拿到理想工作offer。
課程目標
1. 熟練掌握Python語言
2.掌握Python金融數據處理分析技能
3.基本量化交易策略學習與Python實現
4.機器學習理論與Python實現
5.機器學習于量化交易的應用與Python程序化實現
6.掌握投行Python衍生品定價
7.傳授面試求職技巧, 改進簡歷，如何在求職面試中求勝，拿到Dream Company的offer
課程講師
摩根斯坦利紐約總部量化金融部門—— Diana
紐約大學數學金融碩士學位。就業于摩根斯坦利紐約總部量化金融部門，主要從事algorithm trading ，stock volume預測，機器學習研究，固定收益和外匯定價建模以及衍生品定價。建立了利率和外匯的定價模型和股票的統計套利模型，對銷售及交易類數據作機器學習分析有獨到的研究。
她為公司trading book的重要變量建立系統化自學習建模框架，為每個季度的資金計劃提供指導性統計數據。還聯立了卡爾曼濾波模型和時間序列模型為大單交易量做出預測，為交易員提供交易建議。利用卷積神經網絡模型對公司的高凈值客戶的理財投資預期數據進行預測學習，為下一個年份的投資量做出量化指導。
Diana還在她所在的部門擔任面試主管，為候選人進行面試。對分享自己的經歷和幫助他人獲得事業上的成功有著強烈的熱情。她有3年在美國學生設計實習項目的指導經驗，幫助學生完善他們的簡歷，準備面試，并在金融行業取得成功。
本次課程適合的人群
1）金融工程專業背景的同學/工作人士，希望能夠在課本之外工作之余進一步了解Python在金融市場的實戰應用
2）非金融工程專業背景的同學/工作人士，希望能夠系統性了解量化投資以及在投資中的實際應用xa0
3）在證券公司/基金/銀行/期貨公司/交易所等相關領域工作的職場人士，希望進一步提升自己的競爭力
4）希望通過學習系統掌握量化投資相關的實務技能，為后續跳槽/轉行做必要的知識技能準備與提升
【課程內容】
第一節 Algorithmic Trading In Python Overview（Python量化交易概述）
課程介紹overview
（對于散戶來說，量化交易是什么？）
2.why Python? Python notebook簡介
（Python應用于量化交易的優勢）
3.交易系統簡介
4.Python for finance常用packages : numpy, scipy, pandas, statsmodel, scikit-learn, matplotlibxa0
（Python在金融中的應用以及各種庫函數）
5.量化交易的就業分析和職業發展
第二節 Python for Finance 常用packages 學習I
1.學習數據分析基礎 library （庫） — NumPy:
● Creating Arrays（創建數組）
● Using Arrays and Scalars（使用數組和標量）
● Indexing Arrays（索引數組）
● Array Manipulation（數組操作）
● Array Functions（數組函數）
2.學習數據分析高階 library – Pandas:
● DataFrames and file reading（DataFrames和文件閱讀導入）
● Index and Reindex Objects, Index Hierarchy（索引和索引命令對象,索引的層次結構）
● Select/Drop Entry（選擇/刪除條目）
● Data Alignment, Rank and Sort、Handling missing data（數據對齊、等級和排序，處理缺失數據 ）
● Summary Statistics（匯總統計）
3. 統計分析和最優化 library—scipy
● Optimization（優化）
● Statistical test（統計檢驗）
● Linear algebra-linalg （線性代數）
4. 畫圖 library—matplotlib
● How to plot basic graphs for different types（如何繪制基本圖形為不同的類型）
● How to plot multiple graphs and do arrangement（如何繪制多個圖形并進行排列）
● Advanced plotting （高級繪圖/數據可視化）
第三節 Python for Finance 常用packages 學習 II
1.統計模型library–statsmodel
● Regression and generalized regression models（回歸和廣義回歸模型）
● Time series analysis （時間序列分析）
● Statistical test（統計檢驗）
● Distributions （分布）
2.金融數據處理
● Frequency of data（數據的頻率）
● How to source data from Bloomberg、Yahoo Finance and so on（如何得到源數據）
● Data quality check and cleaning(smooth, seasonality adjustment, fill-forward and so on)（數據質量檢查和清理）
第四節 金融數據建模與預測/風險測度因子
（統計學習和技術概述）
（金融時間序列分析）
（預測措施和技術概述）
（績效評估和風險評估度量）
第五節 傳統量化交易策略和Python實現
（事件驅動的交易策略和實施）
（統計交易策略和實施）
● Moving-average trade（移動平均交易）
● Pair trading （配對交易）
3. Parameter optimization（參數優化）
● Overfitting and cross-validation（過度擬合和交叉驗證）
● Grid search（網格搜索）
第六節 高階量化交易策略 I—貝葉斯模型
（高級算法交易概述）
（什么是貝葉斯統計）
（貝葉斯推理方法）
（MCMC 馬科夫鏈門特卡羅）
（基于貝葉斯的線性回歸模型）
（貝葉斯隨機波動模型）
7. Python舉例和模型代碼實現
第七節 金融時間序列分析-I
1.序列相關系和random walkxa0
（隨機游走）
2.平穩時間序列模型-AR/MA/ARMAxa0xa0
（波動率預測模型）
3.非平穩時間序列模型-ARIMA/異方差模型-GARCHxa0
第八節 金融時間序列分析-II
1.State-model and Kalman filter（狀態模型和卡爾曼濾波 ）
● Kalman filter theory （卡爾曼濾波器理論）
● Application to regression and pair trading in Python （卡曼濾波器在回歸及配對交易方面的應用）
2.Hidden Markov Models （隱式馬科夫模型）
● HMM theoryxa0xa0（HMM理論）
● Application to market regime detection in Python（HMM在市場機制判定/探測的應用）
第九節xa0xa0機器學習于量化交易中的應用I
（機器學習介紹）
（線性回歸和MLE）
3. Decision Tree（決策樹）
● Entropy and information gain theories （熵與信息論基礎）
● Pruning the tree （算法優化-減枝）
● Advanced tree methods—bagging, boosting, random forest and son on （高級樹形理論）
4. Python implementation（如何用Python實現）
第十節 機器學習于量化交易中的應用II
1.Introduction to Support Vector Machine（支持向量機的介紹）
● Maximum margin classifier（最大邊緣分類器）
● Linear SVM（線性支持向量機）
● Kernel function and higher dimension mapping（核函數與高維數據投影）
2. Cross-Validation for model selection（交叉驗證的模型選擇）
● Leave one outxa0xa0（留一驗證）
● Bias-variance trade-off （偏差-方差的折中）
第十一節 機器學習于量化交易中的應用III
1.Introduction to Clustering（介紹集群xa0xa0聚類）
● Clustering theory（集群理論 聚類）
● Implementation to financial market（在金融領域的應用）
2. Neural network（神經網絡）
● Introduction to artificial neural network（人工神經網絡）
● Introduction to recurrent neural network（遞歸神經網絡）
3. Unsupervised dimensional reduction techniques（非監督降維技術）
● Implementation to financial market （在金融領域的應用）
第十二節 機器學習于量化交易中的應用IV
● QS Trader overviewxa0xa0（QS Tader概況）
● QS Trader for backtestingxa0 xa0（利用XXX的回測）
2. ARIMA+GARCH Trading （XXX交易）
● Strategy on Stock Market （股票市場策略）
● Indexes Using Rxa0xa0（用R語言做什么不明白問老師）
（基于QSTrader的協同一體化/結合下的配對交易）
（基于QSTrader的卡曼濾波配對交易）
（利用監督學習預測日間交易回報）
第十三節 Python for ODE PDE numerical methods (Python for 偏微分方程數值解)
(常微分方程金融例子)
（向前向后CN方法）
(顯式隱式CN方法)
(偏微分方程期權定價例子)
第十四節 Python衍生品定價-I
1. 蒙特卡洛模擬基礎
2. 常見隨機過程離散化
3. European Option（歐式期權）蒙特卡洛模擬定價
4. Exotic option（奇異期權定價）
(最小二乘蒙特卡羅對美式期權定價)xa0
第十五節 Python衍生品定價-II
(常見蒙特卡羅方差降低方法與期權定價)
(重點抽樣級數和測度變化)
(信用風險的IRC模型和高斯核)
第十六節xa0xa0Quant （寬客）求職面試和職業規劃
如何高效地通過面試，成為一名優秀的量化分析師。
1.Quant（寬客）職位要求和招聘特點
2.剖析招聘流程／求職準備時間表
3.如何準備一份高命中率的簡歷
4.知識覆蓋點和如何準備面試
5.電話面試和on-site面試注意事項
